漏斗分析模型是什么？

漏斗分析模型是一种按用户完成目标的先后顺序，把业务流程拆成若干步骤，统计每一步到达人数、单步转化率和整体转化率的数据分析模型。它统计的是走完整条路径的用户，关注一批用户从起点到终点时在哪一步停下来，每一步还剩多少人。

漏斗分析模型是用户行为分析里的常用方法。运营、产品和数据分析团队用它回答一个很具体的问题：整体转化率下降了，问题出在注册、激活、下单还是支付。只看总数，答案通常不够用。

漏斗分析模型是什么

把这个定义拆开，有三个基本特征。

• 步骤分层：一条业务流程被拆成多个可识别的事件，比如访问商品页、加入购物车、提交订单、支付成功。每个事件就是漏斗的一层。
• 步骤有序：用户必须按设定顺序完成这些事件。先支付、后浏览，不能算作同一条路径上的转化。
• 每步都有转化和流失：相邻两层之间，走到下一步的人形成转化，没走到的人形成流失。每一步都能单独计算转化率。

一次转化需要同时满足三个条件：规定的行为、规定的顺序、规定的时间。用户在窗口期内按顺序完成了全部步骤，才算走完漏斗；只完成了前几步，会在对应环节被记为流失。

把漏斗图和漏斗分析模型分开看，会更容易理解。漏斗图是结果的可视化，展示每一步还剩多少人；漏斗分析模型是背后的分析框架，包含步骤定义、用户口径、时间窗口和分组比较。图可以换一种画法，模型的口径不能跟着变。

一个漏斗模型由哪些要素构成

一条能用于决策的漏斗，通常要写清六件事。

本例采用去重用户作为统计对象。 同一个用户在统计周期内多次完成某一步，只算一个人。按事件次数统计也是一种可选口径，但会给高频行为更大权重，与按用户统计的结果不能直接比较。

转化窗口期从第一步触发开始计算。ThinkingAI 的公开文档给了一个清楚的例子：用户在分析时段内触发第一步，并在第一步发生后的窗口期内按顺序完成后续步骤，才算完成一次完整转化。窗口期可以按天、小时或分钟设置，具体长度取决于业务周期。闪购活动可能按小时或当天计算，SaaS 试用转付费通常按试用期长度设置，证券开户这类需要审核的流程则要留出更长时间。

还有一个容易漏掉的设置是关联属性。用户看了 A 商品，最后买了 B 商品，如果只按事件统计，这条路径会被算作转化，业务含义却不对。把商品 ID 设为各步骤必须保持一致的属性，只有同一商品的浏览和购买才计入同一条漏斗。订单 ID、课程 ID、项目 ID 都可以按同样思路处理。

按入口范围，漏斗还分封闭式和开放式。封闭式只统计从第一步进入的用户，中途才进来的用户不计入；开放式把从任意步骤进入的用户也算进来。做日常转化诊断，封闭式更容易看清每一步的真实流失；做活动复盘，用户可能被活动页直接带到后半程，开放式更贴近实际。两种口径不能混在同一张报表里比较。

转化率和流失率怎么算

漏斗里最常用的两个指标是转化率和流失率，它们互为补数。

• 单步转化率 = 本步到达人数 ÷ 上一步到达人数 × 100%
• 整体转化率 = 最后一步到达人数 ÷ 第一步进入人数 × 100%
• 流失率 = 1 - 转化率

用一个电商例子算一遍。某段时间有 1000 名用户进入商品详情页，400 人点击立即购买，120 人提交订单，30 人支付成功。

整体转化率是 30 ÷ 1000 = 3%。单步转化率最低的是提交订单到支付成功，只有 25%；流失人数最多的是商品详情到点击立即购买，少了 600 人。两个观察指向的问题不一样：前者要看支付环节的失败原因，后者要看商品详情页的购买意愿、信息呈现与购买入口。先看单步转化率，再看流失人数，才能判断先处理哪一段。

有个常见算法错误是把三步转化率取平均，得到约 31.7%，拿它当整体转化率。整体转化率是各单步转化率的连乘，40% × 30% × 25% = 3%。步骤越多，末端人数越少，这是流程变长的正常结果，不代表每一步都出了问题。

常见的漏斗分析模型有哪些

不同业务会把同一套方法套在不同路径上。下面几类是常见的用法。

这几条路径的共同点是步骤之间有明确的先后关系，每一步都能用事件数据识别。新用户激活漏斗里的首个关键行为要先定义清楚，比如创建第一个项目、发布第一条内容、邀请第一位成员。步骤定义不同，转化率没有可比性。

AARRR 也常被称为漏斗模型，包含获取、激活、留存、收入、推荐五个阶段。它更适合当增长框架使用，每一层还需要落到具体事件和统计口径，才能变成可计算的漏斗。把 AARRR 直接画成一张五步漏斗，容易把不同时间尺度的行为混在一起，结论也会变得模糊。

怎么搭建一个能用的漏斗

搭建漏斗的顺序，先业务问题，后数据配置。

• 写清要回答的问题。 是注册流程掉得厉害，还是付费转化低于预期。问题不同，起点、终点和分组维度都会不同。
• 定起点和终点。 起点选用户进入流程的关键行为，终点选业务最终关心的结果。终点设成点击购买还是支付成功，会得到两个完全不同的转化率。
• 控制步骤粒度。 一条漏斗保留 2 到 5 个关键步骤通常够用。步骤太粗，定位不到具体环节；步骤太细，每一步的样本被切得很薄，波动会被误读成问题。
• 统一统计口径。 明确按用户还是按事件次数统计，窗口期多长，是否要求关联属性一致，是否包含从中间进入的用户。口径写进文档，后续对比才有意义。
• 加分组维度。 渠道、设备、新老用户、版本、地区都是常用维度。整体转化率持平，某个渠道可能已经明显下滑，分组能把平均值拆开。
• 先校验数据，再解释现象。 检查关键事件是否按预期触发、有没有重复上报、用户身份是否跨端合并、时区是否统一、数据回传是否有延迟。埋点有问题时，漏斗越精细，误导越大。
• 把结论落到验证。 漏斗只能告诉你哪一步掉了，不能直接告诉你为什么掉。提出原因假设后，用路径分析、用户访谈、页面版本对比或 A/B 测试 去验证，再决定是否上线改动。

读漏斗时容易踩的坑

只看整体转化率。 整体数字下降，可能只是某一步的小幅波动被连乘放大。先拆单步，找到掉幅最大或转化率最低的一环，再看这一环影响多少用户。

把单步转化率取平均。 整体转化率要按人数相除，或者把各步转化率连乘。平均单步转化率会高估整体结果，步骤越多，偏差越大。

窗口期变了，还直接和历史比。 把 7 天窗口改成 1 天，慢转化用户会被记成流失，转化率自然下降。改口径可以，比较时要使用同一口径，或者把新旧口径的差异单独说明。

样本量不足就下结论。 小样本下单步转化率波动很大，今天 20% 明天 35% 并不罕见。可以拉长观察周期、合并相近步骤，或者用分组对比代替绝对值判断。

把相关当成原因。 支付转化率下降，可能同时伴随页面改版、渠道结构变化、竞品促销。漏斗只能定位环节，原因要靠进一步的数据和实验验证。直接改页面，容易把问题挪到另一个位置。

步骤设得太多。 每一步都看起来有问题，往往是因为每一步的样本都不够。保留能影响决策的关键节点，比追求完整还原用户路径更有用。

漏斗分析模型能回答什么，不能回答什么

它能回答三类问题。

• 转化发生在哪一步，哪一步的流失最大。
• 不同渠道、设备、用户群体的转化差异在哪里。
• 改动前后，同一口径下的转化率有没有变化。

它不能单独回答为什么。漏斗给出的是流失位置，原因可能在页面信息、价格、性能、审核规则、流量质量，也可能只是统计口径变化。要回答原因，通常要和其他方法配合。

路径分析不预设顺序，能看到用户实际走了哪些路，适合在漏斗定位到某一环后，回看用户在这一环前后做了什么。留存分析看用户在一段时间后是否回来，适合判断问题影响的是短期转化还是长期留存。A/B 测试用对照实验验证改动是否有效，适合在原因假设明确之后使用。几种方法配合，才能从哪里掉了走到为什么掉，再走到改了有没有用。

在工具层面，ThinkingAI 的漏斗分析支持自定义步骤、分析窗口期和分组查看单步转化率，并能与用户分群、留存分析、A/B 测试衔接。目前 ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款。对已经积累大量用户行为数据的企业，漏斗分析更适合作为一套日常工作流，持续复用。

常见问题

漏斗分析模型和漏斗图有什么区别？

漏斗图是展示形式，把每一步的人数或转化率画成逐级收窄的图形。漏斗分析模型是分析框架，包含步骤定义、用户口径、窗口期、分组和关联属性。同一张图换一种画法，模型口径不变；口径变了，图形看起来差不多，结论可能完全不同。

漏斗分析一定要按顺序吗？

标准的漏斗分析要求按顺序完成步骤。用户先支付再浏览，不能被算作浏览到支付的转化。有些工具提供无序漏斗，只要求各步骤都发生过，适合看功能使用组合；判断业务流程的转化效率，还是用有序漏斗更合适。

漏斗步骤设置多少步合适？

没有统一数量。步骤要覆盖能影响决策的关键节点，常见做法是保留 2 到 5 步。步骤太少，定位不到问题；步骤太多，每一步的样本变小，结论容易被波动带偏。可以先用粗漏斗找到大致区间，再对可疑环节做更细的拆分。

转化窗口期应该设多长？

按业务本身的决策周期定。窗口期要能装下大部分正常转化，又不能让太久之后的行为混进来。闪购、直播这类即时场景可以按小时或当天设置；SaaS 试用、保险投保这类周期较长的流程，要按试用期或审核周期设置。设置前可以先看用户实际转化时长的分布，再确定一个覆盖多数正常转化的长度。

漏斗分析和路径分析有什么区别？

漏斗分析预设一条有序路径，看每一步转化了多少人；路径分析不预设顺序，看用户实际走了哪些路。漏斗适合定位问题环节，路径分析适合理解用户为什么会走到别处。两者经常一起使用，先用漏斗找到环节，再用路径分析还原前后行为。

漏斗转化率低，先查什么？

先确认数据口径有没有变化，包括埋点、窗口期、筛选条件、用户身份合并和统计时段。口径没问题，再拆单步转化率，找出掉幅最大的一环，然后按渠道、设备、新老用户等维度分组。最后才进入原因假设和验证。跳过数据校验直接改页面，容易把统计问题当成业务问题。